ubuntu darknet中选择cuda版本_手把手教你如何在darknet框架下配置yolo v3

手把手教你如何在darknet框架下配置yolo v3

目录:

• 什么是darknet
• 如何配置darknet以及测试
• 制作VOC数据集
• 使用yolo v3训练自己的数据

什么是darknet

可以把darknet看成是一个框架，里面包含了从AlexNet到现在yolo的配置文件，都是基于C实现的，使用者可以根据自己的需求加载网络，来测试或者训练自己的data。以下只截取了一部分。

优点：

• 完全基于C和CUDA开发的框架，不需要配置任何环境，即下即用，仅对图片的处理甚至可以省略openCV的安装。
• 支持CPU处理，当然也支持GPU处理（配合CUDA数据的处理会很快）
• 方便修改参数，因为darknet属于轻量级的框架，所以可以根据自己的需求来修改网络参数。

如何配置darknet以及测试

github链接：https://github.com/pjreddie/darknet

下载后可以看到，如下文件结构：

关于scripts下的文件结构，就是下一节需要构造的文件结构，现在本节不会对其进行介绍。现在开始正式配置darknet。

步骤：

1. Ctrl+Alt+T打开终端，使用cd/PycharmProjects/darknet-master进入到darknet文件内部(具体darknet的绝对路径因人而异)
2. 接着vim Makefile使用vim编译器打开Makefile文件，如下图所示：

可以根据自己的具体情况修改GPU，CUDNN和OPENCV的参数，注意的是当修改CUDNN参数后，后面的NVCC参数需加上nvcc的绝对路径，如：NVCC=/usr/local/cuda-10.0/bin/nvcc（关于vim编译的具体方法自行谷歌）

1. 然后make终端就会自行执行，如果执行成功darknet-master文件夹里会生成libdarknet.a和libdarknet.so两个依赖文件，这时darknet就算是配置好了。

测试

1.在测试yolo是否可运行前还要到yolo官网上下载权重文件。你也可以根据自己喜好下载对应网络的权重。

2.下载之后，在终端中输入./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg，其中dog.jpg存放在data文件中，也可以根据自己的需求放入自己的图片，回车运行：

可以看出整个网络结构，以及输出结果。

如果出现以上结果就说明配置大功告成

制作VOC数据集

这一步是为了后面使用该网络对自己的数据集训练做准备的。首先要在darknet-master/scripts目录下构造如下文件结构

网上有很多的版本，但针对于构造目标识别的训练集都大同小异，无非就是一个文件存放image，另一个文件放置与image相对于的.xml文件，下面开始具体介绍。

Annotations存放具体的.xml文件，JPGImage存放具体图片，之后对data按照8:2分成train_data和val_data具体代码

import os
import random

trainval_percent = 0.2
train_percent = 0.8
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets/Main'
total_xml = os.listdir(xmlfilepath)

num=len(total_xml)
list=range(num)
tv=int(num*trainval_percent)
tr=int(tv*train_percent)
trainval= random.sample(list,tv)
train=random.sample(trainval,tr)

ftrainval = open(txtsavepath+'/trainval.txt', 'w')
ftest = open(txtsavepath+'/test.txt', 'w')
ftrain = open(txtsavepath+'/train.txt', 'w')
fval = open(txtsavepath+'/val.txt', 'w')

for i  in list:
    name=total_xml[i][:-4]+'n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest .close()

此时就会生成，如下图四个.txt文件。

这样就制作好你自己的VOC_dataset了，整个过程还是比较简单的。

使用yolo v3训练自己的数据

在外层运行voc_label.py文件，可以在该文件下自定义要训练的类别。具体代码：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

# sets=[('2012', 'train'), ('2012', 'val'), ('2007', 'train'), ('2007', 'val'), ('2007', 'test')]
sets = [('2019', 'train'), ('2019', 'trainval')]
# classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog",
#            "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]
classes = ["vehicle_type"]

def convert(size, box):
    dw = 1./(size[0])
    dh = 1./(size[1])
    x = (box[0] + box[1])/2.0 - 1
    y = (box[2] + box[3])/2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    return (x,y,w,h)

def convert_annotation(year, image_id):
    in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id))
    out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), 'w')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult)==1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + 'n')

wd = getcwd()

for year, image_set in sets:
    if not os.path.exists('VOCdevkit/VOC%s/labels/'%(year)):
        os.makedirs('VOCdevkit/VOC%s/labels/'%(year))
    image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip().split()
    list_file = open('%s_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpgn'%(wd, year, image_id))
        convert_annotation(year, image_id)
    list_file.close()

成功后就会生成2019_train.txt和2019_trainval.txt文件

之后就可以到yolo官网上下载在ImagNet上与训练好的模型

根据你想训练得到的类别在data/voc.names和cfg/voc.data下进行修改，然后就可以修改网络配置了（包括batch，subdivisions，filters，learning rate等等）

现在就可以开始训练了./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74如果你的电脑上有gpu的话可以在后面加上-gpus 0

参考资料：

YOLO: Real-Time Object Detection​pjreddie.com

https://pjreddie.com/darknet/imagenet/#darknet53​pjreddie.com https://github.com/pjreddie/darknet​github.com